辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不...辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不同周期的脉冲分量,进而限制了其在复合故障诊断中的应用。对此,提出了改进的辛周期模态分解(improved symplectic period mode decomposition, ISPMD)方法。该方法首先采用求差增强技术和最小噪声幅值反卷积相结合的方法对信号进行降噪,增强周期脉冲,以准确估计故障周期;然后构造对应的周期截断矩阵,并通过辛几何相似变换和周期冲击强度获得辛几何周期分量;最后对残差信号采用迭代分解,进而得到不同周期的辛几何周期分量。试验结果表明,ISPMD能准确提取出周期脉冲分量,是一种有效的滚动轴承复合故障诊断方法。展开更多
针对傅里叶分解方法存在过度分解、运算时间长等问题,提出了一种基于循环频谱包络的经验傅里叶分解(CEEFD)算法,并将该算法运用到滚动轴承故障诊断中。首先,对信号进行了快速傅里叶变换(FFT),获得了信号的频谱,对傅里叶频谱进行了循环包...针对傅里叶分解方法存在过度分解、运算时间长等问题,提出了一种基于循环频谱包络的经验傅里叶分解(CEEFD)算法,并将该算法运用到滚动轴承故障诊断中。首先,对信号进行了快速傅里叶变换(FFT),获得了信号的频谱,对傅里叶频谱进行了循环包络,得到了包络曲线,减少了无用极值点的个数,抑制了噪声对分量的干扰;然后,采用改进的局部最大最小值(local max min)分割技术,对频谱包络曲线进行了频带分割;最后,构建了零相位滤波器,采用逆快速傅里叶变换(IFFT)对每个频带进行了信号重构,得到了若干个瞬时频率且具有物理意义的单分量信号;通过对仿真信号和滚动轴承实测信号的分析,并将其与经验模态分解(EMD)、经验小波变换(EWT)、傅里叶分解方法(FDM)、变分模态分解(VMD)和经验傅里叶分解(EFD)进行了实验对比验证。研究结果表明:采用CEEFD方法获得的单分量包含了更准确的故障特征信息,验证了CEEFD方法的有效性,CEEFD方法可用于轴承的故障诊断;相对于上述方法,CEEFD方法具有更高的准确精度和更强的抗噪声干扰能力。展开更多
为了抑制全局直方图均衡产生的灰度饱和和局部细节丢失的情况,提出了一种双直方图均衡算法。首先对图像的背景和前景进行分割,提出基于直方图的局部最小值和修正的K-Means聚类算法来确定图像的理想分割阈值,然后再对分割的子图分别作全...为了抑制全局直方图均衡产生的灰度饱和和局部细节丢失的情况,提出了一种双直方图均衡算法。首先对图像的背景和前景进行分割,提出基于直方图的局部最小值和修正的K-Means聚类算法来确定图像的理想分割阈值,然后再对分割的子图分别作全局直方图均衡(Global Histogram Equalization,GHE)。对该算法进行了实验验证,结果表明,相较于GHE算法,经该算法增强后的图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高约16.425%,结构相似度(Structural Similarity Index,SSIM)提高约14.85%。同时通过主观分析,基于直方图局部最小值和修正的K-Means聚类算法的图像分割进行双直方图均衡可以有效抑制GHE算法产生的灰度饱和和细节丢失现象。展开更多
文摘辛周期模态分解(symplectic period mode decomposition, SPMD)方法可以准确地提取周期脉冲分量,是一种有效的滚动轴承单一故障诊断方法。但在滚动轴承出现复合故障时,尤其是强背景噪声下,周期脉冲信号往往较微弱,使得SPMD难以提取出不同周期的脉冲分量,进而限制了其在复合故障诊断中的应用。对此,提出了改进的辛周期模态分解(improved symplectic period mode decomposition, ISPMD)方法。该方法首先采用求差增强技术和最小噪声幅值反卷积相结合的方法对信号进行降噪,增强周期脉冲,以准确估计故障周期;然后构造对应的周期截断矩阵,并通过辛几何相似变换和周期冲击强度获得辛几何周期分量;最后对残差信号采用迭代分解,进而得到不同周期的辛几何周期分量。试验结果表明,ISPMD能准确提取出周期脉冲分量,是一种有效的滚动轴承复合故障诊断方法。
文摘针对傅里叶分解方法存在过度分解、运算时间长等问题,提出了一种基于循环频谱包络的经验傅里叶分解(CEEFD)算法,并将该算法运用到滚动轴承故障诊断中。首先,对信号进行了快速傅里叶变换(FFT),获得了信号的频谱,对傅里叶频谱进行了循环包络,得到了包络曲线,减少了无用极值点的个数,抑制了噪声对分量的干扰;然后,采用改进的局部最大最小值(local max min)分割技术,对频谱包络曲线进行了频带分割;最后,构建了零相位滤波器,采用逆快速傅里叶变换(IFFT)对每个频带进行了信号重构,得到了若干个瞬时频率且具有物理意义的单分量信号;通过对仿真信号和滚动轴承实测信号的分析,并将其与经验模态分解(EMD)、经验小波变换(EWT)、傅里叶分解方法(FDM)、变分模态分解(VMD)和经验傅里叶分解(EFD)进行了实验对比验证。研究结果表明:采用CEEFD方法获得的单分量包含了更准确的故障特征信息,验证了CEEFD方法的有效性,CEEFD方法可用于轴承的故障诊断;相对于上述方法,CEEFD方法具有更高的准确精度和更强的抗噪声干扰能力。
文摘为了抑制全局直方图均衡产生的灰度饱和和局部细节丢失的情况,提出了一种双直方图均衡算法。首先对图像的背景和前景进行分割,提出基于直方图的局部最小值和修正的K-Means聚类算法来确定图像的理想分割阈值,然后再对分割的子图分别作全局直方图均衡(Global Histogram Equalization,GHE)。对该算法进行了实验验证,结果表明,相较于GHE算法,经该算法增强后的图像峰值信噪比(Peak Signal to Noise Ratio,PSNR)提高约16.425%,结构相似度(Structural Similarity Index,SSIM)提高约14.85%。同时通过主观分析,基于直方图局部最小值和修正的K-Means聚类算法的图像分割进行双直方图均衡可以有效抑制GHE算法产生的灰度饱和和细节丢失现象。
